- Отслеживание знаний на основе викторин (arXiv)
Автор: Shuanghong Shen, Enhong Chen, Bihan Xu, Qi Liu, Zhenya Huang, Linbo Zhu, Yu Su.
Аннотация: отслеживание знаний (KT) направлено на оценку развивающихся состояний знаний людей в соответствии с их учебным взаимодействием с различными упражнениями в системах онлайн-обучения (OIS), что имеет решающее значение для поддержки принятия решений для последующих интеллектуальных услуг, таких как рекомендации по персонализированным источникам обучения. . Существующие исследователи широко изучали КТ и разработали множество эффективных методов. Однако большинство из них предполагает, что исторические взаимодействия учащихся равномерно распределены в непрерывной последовательности, игнорируя тот факт, что реальные последовательности взаимодействий организованы на основе серии викторин с четкими границами, где взаимодействия в рамках викторины последовательно завершаются, а взаимодействия между ними различные викторины дискретны и могут быть разнесены на несколько дней. В этой статье мы представляем модель отслеживания знаний на основе викторин (QKT) для мониторинга состояния знаний учащихся в соответствии с их учебными взаимодействиями на основе викторин. В частности, поскольку взаимодействие учащихся в рамках викторины является непрерывным и имеет одинаковые или похожие концепции знаний, мы разрабатываем соседние ворота, за которыми следует глобальный средний объединяющий слой, чтобы отразить краткосрочное влияние знаний внутри викторины. Затем, поскольку различные викторины, как правило, фокусируются на разных концепциях знаний, мы соответственно измеряем замену знаний между викторинами с помощью закрытой рекуррентной единицы и взаимодополняемость знаний между викторинами с помощью самовнимательного кодировщика с новым механизмом внимания с учетом новизны. Наконец, мы интегрируем долгосрочную замену знаний между викторинами и взаимодополняемость между различными викторинами, чтобы выводить развивающиеся состояния знаний учащихся. Обширные экспериментальные результаты на трех общедоступных наборах данных реального мира демонстрируют, что QKT достигает самой современной производительности по сравнению с существующими методами. Дальнейший анализ подтверждает, что QKT перспективен для разработки более эффективных викторин.
2. Импутирование данных отслеживания знаний с помощью предметного обучения с помощью платформ вариационных автоэнкодеров LSTM (arXiv)
Автор: Джиа Трейси Шен, Донвон Ли.
Аннотация: Проблема отсутствующих данных создает серьезную проблему для повышения производительности и применения моделей глубокого обучения в задаче {\em Knowledge Tracing} (KT). Однако в литературе отсутствует понимание этого вопроса. Недостаточно исследований, посвященных этой проблеме. В этой работе, чтобы решить эту проблему, мы применяем предметный метод обучения для разделения и условного исчисления данных по идентификаторам учащихся вместо разделения по номерам строк, которое мы называем непредметным обучением. Преимущество предметного обучения заключается в сохранении полной последовательности для каждого учащегося и, следовательно, в достижении эффективного обучения. Кроме того, мы используем две существующие глубокие генеративные платформы, а именно вариационные автоэнкодеры (VAE) и продольные вариационные автоэнкодеры (LVAE), и встраиваем в них ядра LSTM для формирования моделей LSTM-VAE и LSTM LVAE (обозначаемых как VAE и LVAE для простоты) для создания качественные данные. В LVAE модель гауссовского процесса (GP) обучается распутывать корреляцию между дескрипторной информацией субъекта (т. Е. Студента) (например, возраст, пол) и скрытым пространством. Наконец, в документе сравнивается производительность модели между обучением исходных данных и обучением данных, вмененных сгенерированными данными из непредметной модели VAE-NS и предметных моделей обучения (т. Е. VAE и LVAE). Мы демонстрируем, что сгенерированные данные из LSTM-VAE и LSTM-LVAE могут повысить производительность исходной модели примерно на 50%. Более того, исходной модели требуется на 10% больше данных об учениках, чтобы превзойти исходную производительность, если модель прогнозирования мала, и на 50% больше данных, если модель прогнозирования велика с нашими предложенными платформами.
